[论文解读] Gaussian Conditionally Markov Sequences: Dynamic Models and Representations of Reciprocal and Other Classes

Reza Rezaie, X. Rong Li|arXiv (Cornell University)|Dec 11, 2019

Artificial Immune Systems Applications被引用 11

一句话总结

本文提出了非奇异高斯条件马尔可夫（CM）序列的详细动态模型，特别关注 $CM_L$、$CM_F$ 和互惠 $CM_L$ 模型。研究证明，互惠 $CM_L$ 模型可由马尔可夫模型导出，并将 $CM_L$ 和 $CM_F$ 序列分解为一个马尔可夫分量和一个不相关向量，从而实现系统的参数设计，并揭示了互惠序列的结构特性。

ABSTRACT

Conditionally Markov (CM) sequences are powerful mathematical tools for modeling problems. One class of CM sequences is the reciprocal sequence. In application, we need not only CM dynamic models, but also know how to design model parameters. Models of two important classes of nonsingular Gaussian (NG) CM sequences, called $CM_L$ and $CM_F$ models, and a model of the NG reciprocal sequence, called reciprocal $CM_L$ model, were presented in our previous works and their applications were discussed. In this paper, these models are studied in more detail, in particular their parameter design. It is shown that every reciprocal $CM_L$ model can be induced by a Markov model. Then, parameters of each reciprocal $CM_L$ model can be obtained from those of the Markov model. Also, it is shown that an NG $CM_L$ ( $CM_F$ ) sequence can be represented by a sum of an NG Markov sequence and an uncorrelated NG vector. This (necessary and sufficient) representation provides a basis for designing parameters of a $CM_L$ ( $CM_F$ ) model. From the CM viewpoint, a representation is also obtained for NG reciprocal sequences. This representation is simple and reveals an important property of reciprocal sequences. As a result, the significance of studying reciprocal sequences from the CM viewpoint is demonstrated. A full spectrum of dynamic models from a $CM_L$ model to a reciprocal $CM_L$ model is also presented. Some examples are presented for illustration.

研究动机与目标

• 开发非奇异高斯条件马尔可夫（CM）序列的全面动态模型，包括 $CM_L$、$CM_F$ 和互惠 $CM_L$ 类别。
• 通过将 $CM_L$ 和 $CM_F$ 模型分解为一个马尔可夫序列和一个不相关向量，实现其参数设计的系统化方法。
• 证明每个互惠 $CM_L$ 模型均可由马尔可夫模型导出，从而简化参数推导过程。
• 通过从 CM 框架中导出的新颖且简洁的表示方法，揭示互惠序列的结构特性。
• 展示从 $CM_L$ 到互惠 $CM_L$ 的完整模型谱系，阐明其相互关系与应用。

提出的方法

• 利用条件独立结构，推导 $CM_L$ 和 $CM_F$ 模型作为非奇异高斯 CM 序列的动态表示。
• 建立任意非奇异高斯 $CM_L$ 或 $CM_F$ 序列可表示为一个非奇异高斯马尔可夫序列与一个不相关非奇异高斯向量之和，从而提供一种构造性参数设计方法。
• 证明每个互惠 $CM_L$ 模型均可由马尔可夫模型导出，从而实现从马尔可夫模型到互惠 $CM_L$ 模型的参数传递。
• 在 CM 框架内引入非奇异高斯互惠序列的表示方法，突出其固有的结构特性。
• 构建从 $CM_L$ 到互惠 $CM_L$ 的完整模型谱系，展示其层次关系与动态演化过程。
• 通过示例说明模型构建与参数设计的过程。

实验结果

研究问题

• RQ1 如何为非奇异高斯 CM 序列系统化地设计 $CM_L$ 和 $CM_F$ 模型的参数？
• RQ2 互惠 $CM_L$ 模型与马尔可夫模型之间存在何种关系？后者是否可导出前者？
• RQ3 将 $CM_L$ 和 $CM_F$ 序列分解为马尔可夫分量与不相关向量，能否作为模型参数化的基础？
• RQ4 在 CM 框架内表示互惠序列，能揭示哪些结构性特征？
• RQ5 $CM_L$、$CM_F$ 和互惠 $CM_L$ 序列的动态模型在连续谱系中如何相互关联？

主要发现

• 每个互惠 $CM_L$ 模型均可由马尔可夫模型导出，从而可从对应马尔可夫模型的参数中推导其参数。
• 非奇异高斯 $CM_L$（或 $CM_F$）序列可表示为非奇异高斯马尔可夫序列与一个不相关非奇异高斯向量之和，这为模型参数化提供了必要且充分的条件。
• 该分解表示方法为 $CM_L$ 和 $CM_F$ 模型的参数设计提供了系统且构造性的方式。
• 在 CM 框架内导出了非奇异高斯互惠序列的新表示方法，该方法简洁明了，并揭示了这些序列的关键结构特性。
• 建立了从 $CM_L$ 到互惠 $CM_L$ 的完整动态模型谱系，展示了其层次与动态关系。
• 研究表明，通过 CM 框架分析互惠序列具有重要意义，为理解其结构与建模潜力提供了更深层次的洞察。